（注：由于之前进行了吴恩达机器学习课程的学习，其中有部分内容与机器学习基石的内容重叠，所以以下该系列的笔记只记录新的知识）
《机器学习基石》课程围绕着下面这四个问题而展开：
主要内容：
一、什么时候适合用机器学习？
二、该课程所采用的一套符号表示
三、机器学习的流程
四、感知机算法
五、学习的类型
六、机器学习的无效性
七、机器学习的可行性（在无效性的前提下加一些条件限制）
一、什么时候适合用机器学习？
对于第一点：我们学习的对象必须要存在某些显式的或者潜在的规律，否则，如果学习对象都毫无规律，那么学习到的所谓的知识（经验）也就站不住脚了。
对于第二点：这些问题难以使用某些算法或者公式明确地算出结果，假如可以，那么我们就只需要学习数学和算法就足以解决问题，又何须机器学习呢？所以机器学习就是可以用来解决这些有规律但规律又相对模糊的问题。
对于第三点：只有依靠以往大量的经历所得到的经验，才是可靠的。
二、该课程所采用的一套符号表示
三、机器学习的流程
四、感知机算法
五、学习的类型
1.根据输出y的取值类型而区别，有分类、回归、结构化学习：
2.根据（样本）输出y的有无或者有多少而区别，有监督式学习、无监督式学习、半监督式学习、增强式学习：
3.根据学习的协议而区别，有：batch leanring、online leanring、active learning：
4.根据输入x的类型而区别，有：concrete features、raw features、abstract feature。
concrete features：有具体的、形象化的含义，例如身高、点击次数等这些特征。
raw features：原始的、未经过处理的特征，例如图片的像素等。
abstract feature：没有现实含义的，如资料编号或者用户ID。
六、机器学习的无效性
七、机器学习的可行性
《机器学习基石》第一周 —— When Can Machine Learn?
原文：https://www.cnblogs.com/DOLFAMINGO/p/10068538.html